文章主要内容和创新点主要内容本文提出了一种名为OL-KGC（Ontology-Enhanced Knowledge Graph Completion using Large Language Models）的知识图谱补全（KGC）方法，旨在解决现有基于大型语言模型（LLMs）的KGC方法存在的缺陷（如依赖隐式知识表示、错误知识传播、缺乏明确逻辑推理能力等）。OL-KGC的核心思路是将神经感知的结构信息与本体知识整合到LLMs中：利用神经感知机制将知识图谱的结构信息嵌入文本空间；通过基于LLM的自动提取算法，从待补全的知识图谱中提取本体知识（包括关系的域与范围约束、关系组合规则、复杂关系约束等），并转换为LLMs可理解的文本形式，为推理提供逻辑指导；通过LoRA方法微调LLMs，实现向量空间与符号空间的深度整合。实验在FB15K-237、UMLS和WN18RR三个基准数据集上进行，结果表明OL-KGC在多个评估指标（准确率、精确率、F1分数等）上显著优于现有主流方法，达到当前最优（SOTA）性能。相关算法和数据已开源。创新点神经-符号整合框架：提出一种基于LLMs的方法，整合神经知识图谱嵌入、符号结构信息和本体知识，实现有效的神经-符号融合，显著增强LLMs在KGC中的推理能力。自动本体提取算法：设计基于LLM的自动本体提取算法，为通用
